基于Burg 算法的AR 模型功率谱估计简介 摘要：在对随机信号的分析中，功率谱估计是一类重要的参数研究，功率谱估计的方法分为经典谱法和参数模型方法。参数模型方法是利用型号的先验知识，确定信号的模型，然后估计出模型的参数，以实现对信号的功率谱估计。根据wold 定理,AR 模型是比较常用的模型，根据Burg 算法等多种方法可以确定其参数。 关键词：功率谱估计；AR 模型；Burg 算法 随机信号的功率谱反映它的频率成分以及各成分的相对强弱, 能从频域上揭示信号的节律, 是随机信号的重要特征。因此, 用数字信号处理手段来估计随机信号的功率谱也是统计信号处理的基本手段之一。在信号处理的许多应用中, 常常需要进行谱估计的测量。例如, 在雷达系统中, 为了得到目标速度的信息需要进行谱测量; 在声纳系统中, 为了寻找水面舰艇或潜艇也要对混有噪声的信号进行分析。总之, 在许多应用领域中, 例如, 雷达、声纳、通讯声学、语言等领域, 都需要对信号的基本参数进行分析和估计, 以得到有用的信息, 其中, 谱分析就是一类最重要的参数研究。 1 功率谱估计简介 一个宽平稳随机过程的功率谱是其自相关序列的傅里叶变换，因此功率谱估计就等效于自相关估计。对于自相关各态遍历的过程，应有： )()()(121lim *k r n x k n x N N x N N n =? ?????++∞→∑-= 如果所有的)(n x 都是已知的，理论上功率谱估计就很简单了，只需要对其自相关序列取傅里叶变换就可以了。但是，这种方法有两个个很大的问题：一是不是所有的信号都是平稳信号，而且有用的数据量可能只有很少的一部分；二是数据中通常都会有噪声或群其它干扰信号。因此，谱估计就是用有限个含有噪声的观测值来估计)(jw x e P 。 谱估计的方法一般分为两类。第一类称为经典方法或参数方法，它首先由给定的数据估 计自相关序列)(k r x ，然后对估计出的)(?k r x 进行傅里叶变换获得功率谱估计。第二类称为非经典法，或参数模型法，是基于信号的一个随机模型来估计功率谱。非参数谱估计的缺陷是其频率分辨率低，估计的方差特性不好, 而且估计值沿频率轴的起伏甚烈，数据越长, 这一现象越严重。 为了改善谱分辨率，研究学者对基于模型的参数方法进行了大量研究。参数方法的第一步是对信号选择一个合适的模型，这种选择可能是基于有关信号如何产生的先验知识，也可能是多次试验后获得的结果。通常采用的模型包括AR 、MA 、ARMA 模型和谐波模型（噪声中含有复指数）。一旦模型选择好后，下一步就是计算模型的参数。最后将计算得到的参数带
功率谱估计及其MATLAB仿真 詹红艳 （201121070630控制理论与控制工程） 摘要:从介绍功率谱的估计原理入手分析了经典谱估计和现代谱估计两类估计方法的原理、各自特点及在Matlab中的实现方法。 关键词:功率谱估计;周期图法;AR参数法;Matlab Power Spectrum Density Estimation and the simulation in Matlab Zhan Hongyan （201121070630Control theory and control engineering） Abstract:Mainly introduces the principles of classical PSD estimation and modern PSD estimation,discusses the characteristics of the methods of realization in Matlab.Moreover,It gives an example of each part in realization using Matlab functions. Keywords:PSDPstimation,Periodogram method,AR Parameter method,Matlab 1引言 现代信号分析中,对于常见的具有各态历经的平稳随机信号,不可能用清楚的数学关系式来描述,但可以利用给定的N个样本数据估计一个平稳随机信号的功率谱密度叫做功率谱估计(PSD)。它是数字信号处理的重要研究内容之一。功率谱估计可以分为经典功率谱估计(非参数估计)和现代功率谱估计(参数估计)。 功率谱估计在实际工程中有重要应用价值,如在语音信号识别、雷达杂波分析、波达方向估计、地震勘探信号处理、水声信号处理、系统辨识中非线性系统识别、物理光学中透镜干涉、流体力学的内波分析、太阳黑子活动周期研究等许多领域,发挥了重要作用。 Matlab是MathWorks公司于1982年推出的一套高性能的数值计算和可视化软件,人称矩 阵实验室,它集数值分析、矩阵运算、信号处理和图形显示于一体,构成了一个方便的、界面友好的用户环境,成为目前极为流行的工程数学分析软件。也为数字信号处理进行理论学习、工程设计分析提供了相当便捷的途径。本文的仿真实验中,全部在Matlab6.5环境下调试通过;随机序列由频率不同的正弦信号加高斯白噪声组成。 2经典功率谱估计 经典功率谱估计是将数据工作区外的未知数据假设为零,相当于数据加窗。经典功率谱估计方法分为:相关函数法(BT法)、周期图法以及两种改进的周期图估计法即平均周期图法和平滑平均周期图法,其中周期图法应用较多,具有代表性。 1.1相关函数法(BT法) 该方法先由序列x(n)估计出自相关函数R(n),然后对R(n)进行傅立叶变换,便得到x(n)的功率谱估计。当延迟与数据长度相比很小时,可以有良好的估计精度。 Matlab代码示例1: Fs=500;%采样频率 n=0:1/Fs:1;
功率谱估计方法的比较 摘要： 本文归纳了信号处理中关键的一种分析方法, 即谱估计方法。概述了频谱估计中的周期图法、修正的协方差法和伯格递推法的原理，并且对此三种方法通过仿真做出了对比。 关键词：功率谱估计；AR 模型；参数 引言： 谱估计是指用已观测到的一定数量的样本数据估计一个平稳随机信号的谱。由于谱中包含了信号的很多频率信息，所以分析谱、对谱进行估计是信号处理的重要容。谱估计技术发展 渊源很长，它的应用领域十分广泛，遍及雷达、声纳、通信、地质勘探、天文、生物医学工程等众多领域，其容、方法都在不断更新，是一个具有强大生命力的研究领域。谱估计的理论和方法是伴随着随机信号统计量及其谱的发展而发展起来的，最早的谱估计方法是建 立在基于二阶统计量, 即自相关函数的功率谱估计的方法上。功率谱估计的方法经历了经典谱估计法和现代谱估计法两个研究历程，在过去及现在相当长一段时间里，功率谱估计一直占据着谱估计理论里的核心位置。经典谱估计也成为线性谱估计，包括BT 法、周期图法。现代谱估计法也称为非线性普估计，包括自相关法、修正的协方差法、伯格（Burg ）递推法、特征分解法等等。 原理： 经典谱估计方法计算简单，其主要特点是谱估计与任何模型参数无关，是一类非参数化的方法。它的主要问题是：由于假定信号的自相关函数在数据的观测区间以外等于零，因此估计出来的功率谱很难与信号的真实功率谱相匹配。在一般情况下，经典法的渐进性能无法给出实际功率谱的一个满意的近似，因而是一种低分辨率的谱估计方法。现代谱估计方法使用参数化的模型，他们统称为参数化功率谱估计，由于这类方法能够给出比经典法高得多的频率分辨率，故又称为高分辨率方法。下面分别介绍周期图法、修正的协方差法和伯格递推法。修正的协方差法和伯格递推法采用的模型均为AR 模型。 （1）周期图法 周期图法是先估计自相关函数, 然后进行傅里叶变换得到功率谱。假设随机信号x(n)只观测到一段样本数据，n=0, 1, 2, …, N-1。根据这一段样本数据估计自相关函数，如公式（1） 对（1）式进行傅里叶变换得到（2）式。 ∑--=+=1||0 *) ()(1 )(?m N n xx m n x n x N m r
概 班级 姓名 学号 任课教师 第七章 参数估计 教学要求： 一、理解点估计的概念，了解矩估计法和极大似然估计法； 二、了解无偏性、有效性、一致性等估计量的评判标准； 三、理解区间估计的概念，会求单个正态总体均值与方差的置信区间，会求两个正态总体均值差与方差比的置信区间． 重点：极大似然估计法、矩估计法． 难点：置信区间的定义及求法． 习题一 点估计 1.随机抽取8只活塞环，测得它们的直径（单位：mm ）为： 74.001， 74.005， 74.003， 74.001， 74.000， 73.998， 74.006， 74.002 试求总体均值μ与总体方差2σ的矩估计值，并求样本方差2 s ． 解：总体的一、二阶原点矩分别为： ()μ=X E ， () ()()[]222 2μσ+=+=X E X D X E ； 样本的一、二阶中心矩分别为： X X n A n i i ==∑=111， ∑==n i i X n A 1 2 21； 由矩估计法有 ()X A X E ===∧ ∧ 1μ, ()22 2 2 A X E =+=∧∧ ∧ μσ , 即 X =∧ μ， () ∑∑==∧∧ -=-=-=n i i n i i X X n X X n A 12 2122 22 11μσ 由题中所给数据得 001.74=∧ μ， 52 10388.1-∧?=σ
2.设总体X 的密度函数为，()??? ??≤>=-;0, 0,0,1x x e x f x θθ 其中θ0>是未知参数，求θ的矩 估计． 解：因为 ()θθ θ=== - ∞ +∞ +∞ -? ? dx e x dx x xf X E x 1 )( 则 X =∧ θ. 3.设总体X 服从泊松分布，其分布律为λλ-==e x x X P x ! }{， ,2,1=x ．试求未知参 数λ)0(>λ的矩估计． 解：因为 λλλλλλλ λ λ λ =-=-=? =? =∑∑ ∑∑∞ =---∞ =-∞ =∞ =-1 1 11 )!1()! 1(! ! )(x x x x x x x x x e e x e x x x e x X E ， 故 X =∧ λ. 4.设总体X 的密度函数为：σ σ x e x f -=21)( ，)(+∞<<-∞x 求参数σ)0(>σ的最大似然估计． 解：似然函数为 ()σ σσσ σ∑=∏==---=n i i i x n x n i e e L 1 221)(1， σ σσ∑=- -=n i i x n L 1 )2ln()(ln ， 对σ求导得似然方程 01 )(ln 1 2 =+-=∑=n i i x n d L d σ σσσ 求得σ的最大似然估计为 ∑=∧ =n i i ML x n 1 1σ. 5.已知某种白炽灯泡的使用寿命服从正态分布，其分布参数均未知．在某个星期所生产的这种灯泡中随机抽取10只，测得其寿命（单位：小时）为： 1067， 919， 1196， 785， 1126， 936， 918， 1156， 920， 948. 试用最大似然估计法估计这个星期中生产的灯泡能使用1300小时以上的概率．
参数法功率谱估计 一、信号的产生 （一）信号组成 在本实验中，需要事先产生待估计的信号，为了使实验结果较为明显，我产生了由两个不同频率的正弦信号（频率差相对较大）和加性高斯白噪声组成的信号。 （二）程序 N=1024;n=0:N-1; xn=2*cos(2*pi*0.2*n)+ cos(2*pi*0.213*n)+randn(1,1024); 这样就产生了加有白噪声的两个正弦信号 其波形如下
0100200300400500600 -8-6 -4 -2 2 4 6 8 10 (a) 两个正弦信号与白噪声叠加的时域波形 二、参数模型法功率谱估计 （一）算法原理简介 1．参数模型法是现代谱估计的主要内容，思路如下： ① 假定所研究的过程)(n x 是由一个白噪声序列)(n 激励一个因果稳定的可逆线性系统)(z H 的输出； ② 由已知的)(n x ，或其自相关函数)(m r x 估计)(z H 的参数； ③ 由)(z H 的参数来估计)(n x 的功率谱。 2．自回归模型，简称AR 模型，它是一个全极点的模型。“自回归”的含义是：该模型现在的输出是现在的输入和过去p 个输出的加权和。此模型可以表现
为以下三式：
① ∑=+--=p k k n u k n x a n x 1 )()()(； ② ∑=-+==p k k k z a z A z H 111)(1)(； ③ 212 1)(∑=-+=p k jwk k jw x e a e P σ。 3．AR 模型的正则方程建立了参数k a 和)(n x 的自相关函数的关系，公式如下： =)(m r x ∑=--p k x k k m r a 1)( 1≥m 时，=)(m r x 21)(σ+-∑=k r a p k x k 0=m 时。 （二）两种AR 模型阶次的算法 1．Yule-Walker 算法(自相关法) （1）算法主要思想 Yule-Walker 算法通过解Yule-Walker 方程获得AR 模型参数。从低阶开始递推，直到阶次p ，给出了在每一个阶次时的所有参数。公式如下： ① 11 11/])()()([--=-∑+--=m m k x x m m m r k m r k a k ρ； ② )()()(11k m a k k a k a m m m m -+=--；
参数法功率谱估计 一、 信号的产生 （一）信号组成 在本实验中，需要事先产生待估计的信号，为了使实验结果较为明显，我产生了由两个不同频率的正弦信号（频率差相对较大）和加性高斯白噪声组成的信号。 （二）程序 N=1024;n=0:N-1; xn=2*cos(2*pi*0.2*n)+ cos(2*pi*0.213*n)+randn(1,1024); 这样就产生了加有白噪声的两个正弦信号 其波形如下 0100200300400500600 -8 -6-4-202468 10(a) 两个正弦信号与白噪声叠加的时域波形
二、参数模型法功率谱估计 （一）算法原理简介 1．参数模型法是现代谱估计的主要内容，思路如下： ① 假定所研究的过程)(n x 是由一个白噪声序列)(n ω激励一个因果稳定的可逆线性系统)(z H 的输出； ② 由已知的)(n x ，或其自相关函数)(m r x 估计)(z H 的参数； ③ 由)(z H 的参数来估计)(n x 的功率谱。 2．自回归模型，简称AR 模型，它是一个全极点的模型。“自回归”的含义是：该模型现在的输出是现在的输入和过去p 个输出的加权和。此模型可以表现为以下三式： ① ∑=+--=p k k n u k n x a n x 1)()()(； ② ∑=-+== p k k k z a z A z H 111) (1 )(； ③ 2 12 1)(∑=-+= p k jwk k jw x e a e P σ。 3．AR 模型的正则方程建立了参数k a 和)(n x 的自相关函数的关系，公式如下： =)(m r x ∑=--p k x k k m r a 1 )( 1≥m 时，=)(m r x 21 )(σ+-∑=k r a p k x k 0=m 时。
第七章参数估计练习题 一．选择题 1. 估计量的含义是指（） A. 用来估计总体参数的统计量的名称 B. 用来估计总体参数的统计量的具体数值 C. 总体参数的名称 D ?总体参数的具体取值 2．一个95%的置信区间是指（） A. 总体参数有95%的概率落在这一区间内 B. 总体参数有5%的概率未落在这一区间内 C. 在用同样方法构造的总体参数的多个区间中，有95%的区间包含该总体参数。 D. 在用同样方法构造的总体参数的多个区间中，有95%的区间不包含该总体参数。 3.95%的置信水平是指（） A. 总体参数落在一个特定的样本所构造的区间内的概率是95% B ?在用同样方法构造的总体参数的多个区间中，包含总体参数的区间比例为95% C.总体参数落在一个特定的样本所构造的区间内的概率是5% D ?在用同样方法构造的总体参数的多个区间中，包含总体参数的区间比例为5% 4. 根据一个具体的样本求出的总体均值的95%的置信区间（） A .以95%的概率包含总体均值 B .有5%的可能性包含总体均值 C.一定包含总体均值 D ?要么包含总体均值，要么不包含总体均值 5. 当样本量一定时，置信区间的宽度（） A .随着置信水平的增大而减小 B. .随着置信水平的增大而增大 C.与置信水平的大小无关D。与置信水平的平方成反比 6. 当置信水平一定时，置信区间的宽度（） A?随着样本量的增大而减小 B..随着样本量的增大而增大 C.与样本量的大小无关D。与样本量的平方根成正比 7. 在参数估计中，要求通过样本的统计量来估计总体参数，评价统计量的标准之一是使它与 总体参数的离差越小越好。这种评价标准称为（） A .无偏性 B.有效性C. 一致性D.充分性 8. 置信水平（1-a）表达了置信区间的（） A .准确性 B.精确性C.显著性D.可靠性 9. 在总体均值和总体比例的区间估计中，边际误差由（） A .置信水平决定 B.统计量的抽样标准差确定 C. 置信水平和统计量的抽样标准差 D. 统计量的抽样方差确定 10. 当正态总体的方差未知，且为小样本条件下，估计总体均值使用的分布是（） A.正态分布 B. t分布 C. x 2分布 D. F分布
功率谱密度估计方法的MATLAB实现 在应用数学和物理学中，谱密度、功率谱密度和能量谱密度是一个用于信号的通用概念，它表示每赫兹的功率、每赫兹的能量这样的物理量纲。在物理学中，信号通常是波的形式，例如电磁波、随机振动或者声波。当波的频谱密度乘以一个适当的系数后将得到每单位频率波携带的功率，这被称为信号的功率谱密度（power spectral density, PSD）或者谱功率分布（spectral power distribution, SPD）。功率谱密度的单位通常用每赫兹的瓦特数（W/Hz）表示，或者使用波长而不是频率，即每纳米的瓦特数（W/nm）来表示。信号的功率谱密度当且仅当信号是广义的平稳过程的时候才存在。如果信号不是平稳过程，那么自相关函数一定是两个变量的函数，这样就不存在功率谱密度，但是可以使用类似的技术估计时变谱密度。信号功率谱的概念和应用是电子工程的基础，尤其是在电子通信系统中，例如无线电和微波通信、雷达以及相关系统。因此学习如何进行功率谱密度估计十分重要，借助于Matlab工具可以实现各种谱估计方法的模拟仿真并输出结果。下面对周期图法、修正周期图法、最大熵法、Levinson递推法和Burg法的功率谱密度估计方法进行程序设计及仿真并给出仿真结果。 以下程序运行平台：Matlab R2015a（8.5.0.197613） 一、周期图法谱估计程序 1、源程序 Fs=100000; %采样频率100kHz N=1024; %数据长度N=1024 n=0:N-1; t=n/Fs; xn=sin(2000*2*pi*t); %正弦波,f=2000Hz Y=awgn(xn,10); %加入信噪比为10db的高斯白噪声 subplot(2,1,1); plot(n,Y) title('信号') xlabel('时间');ylabel('幅度');
第七章 参数估计 §7.1 参数的点估计 §7.2 估计量的评选标准 一、 填空题 1．矩估计法是通过 参数 与 总体矩 的联系，解出参数，并用 样本矩 代替 总体矩 而得到参数估计的一种方法； 2．极大似然估计法是在 总体分布形式 已知情况下的一种点估计方法； 3．设n X X X 2,1是正态总体),(2σμN 的一个样本，则μ的极大似然估计为 =μ? ∑=n i i X n 11 ；总体方差的矩估计为=σ2 ? ∑=-n i i X X n 1 2)(1 ； 4.设()12?,,,n X X X θ 为未知参数θ的估计量，若() ?E θθ=，则称?θ为θ的无偏估计量； 5．设n X X X 2,1为总体X 的一个样本，则总体均值)(X E 的无偏估计为 ∑==n i i X n X 11 ；总体方差)(X D 的无偏估计为 ∑=--=n i i X X n S 1 22 )(11 ； 6.设总体X 服从二项分布(),,B N p N 已知，()12,,,n X X X 是来自X 的样本，则p 的极大似然估计量为 X N ； 解 {}() 1i i i N x x x i N P x x C p p -==-， ()()11 1111n n i i i i i i i i n n x N x nN x x x x N N i i L C p p C p p ==--==∑??∑=-=- ??? ∏∏， ()111ln ln ln ln 1i n n n x N i i i i i L C x p nN x p ===?????? =++-- ? ? ??? ????∑∑∏， 令11ln 11 0,1n n i i i i d L x nN x dp p p ==????=--= ? ?-????∑∑得到1n i i x X p nN N ===∑。 7.在天平上重复称量一重为a 的物品，假设各次称量结果相互独立且服从正态分布 ()2,0.2N a ，若以n X 表示n 次称量结果的算术平均值，则为使{} 0.10.95n P X a -<≥，n 的最小值应不小于自然数16。 解 ()()2 2 0.2,n n E X a D X n n σ===，所以20.2,n X N a n ?? ???
第七章 参数估计 1．[一] 随机地取8只活塞环，测得它们的直径为（以mm 计） 74.001 74.005 74.003 74.001 74.000 73.998 74.006 74.002 求总体均值μ及方差σ2的矩估计，并求样本方差S 2。 解：μ，σ2 的矩估计是 61 22 106)(1?,002.74?-=?=-===∑n i i x X n X σμ 621086.6-?=S 。 2．[二]设X 1，X 1，…，X n 为准总体的一个样本。求下列各总体的密度函数或分布律中的未知参数的矩估计量。 （1）? ??>=+-其它,0,)()1(c x x c θx f θθ 其中c >0为已知，θ>1，θ为未知参数。 （2）?? ???≤≤=-.,01 0,)(1其它x x θx f θ 其中θ>0，θ为未知参数。 （5）()p p m x p p x X P x m x m x ,10,,,2,1,0,)1()(<<=-==- 为未知参数。 解：（1）X θc θθc θc θc θdx x c θdx x xf X E θθc θ θ =--=-== =+-∞+-∞+∞ -? ? 1 ,11)()(1令， 得c X X θ-= （2）,1)()(10 += = = ? ? ∞+∞ -θθdx x θdx x xf X E θ 2 )1(,1 X X θX θθ-==+得令 （5）E (X ) = mp 令mp = X ， 解得m X p =? 3．[三]求上题中各未知参数的极大似然估计值和估计量。 解：（1）似然函数 1211 )()()(+-=== ∏θn θ n n n i i x x x c θ x f θL 0ln ln )(ln ,ln )1(ln )ln()(ln 1 1 =- +=-++=∑∑ ==n i i n i i x c n n θθL d x θc θn θn θL
《现代信号处理》 姓名：李建强 学号：201512172087 专业：电子科学与技术 作业内容：在MATLAB平台上对一个特定的平稳随机信号进行经典功率谱估计和现代功率谱估计的比较 一、前言 功率谱估计是信息学科中的研究热点,在过去的30多年里取得了飞速的发展。在许多工程应用中，它能给出被分析对象的能量随频率的分布情况。平滑周期图是一种计算简单的经典方法，它的主要特点是与任何模型参数无关，但估计出来的功率谱很难与信号的真是功率谱相匹配。与周期图方法不同，现代谱估计主要是针对经典谱估计(周期图和自相关法)的分辨率低和方差性能不好的问题而提出的。其使用参数化的模型，能够给出比周期图方法高得多的频率分辨率。其内容极其丰富，涉及的学科和领域也相当广泛，按是否有参数大致可分为参数模型估计和非参数模型估计，前者有AR模型、MA模型、ARMA模型、PRONY指数模型等;后者有最小方差方法、多分量的MUSIC方法等。 二、总体概述 本次实验分别使用经典的功率谱估计（如周期图法）与AR模型法对某一特定的平稳随机信号进行其功率谱估计，由图像得到信号的频率。利用MATLAB平台，直观形象地观察并比较二者估计效果的区别，以便于加深对功率谱估计的理解和掌握。 三、具体的实现步骤 1、经典法功率谱估计 周期图法又称直接法，它是从随机信号x(n)中截取N长的一段，把它视为能量有限的
真实功率谱的估计的一个抽样。 1.1、实现步骤 （1）、模拟系统输出参数x(n)=A*sin(2πf1*n)+B*sin(2πf2*n)，包括序列长度N（128或512或1024，加性高斯白噪声（AGWN）功率一定，设置A，B，f1，f2，n的值。 （2）、应用周期图法（不加窗）对信号的功率谱密度进行估计，使用直接法在MATLAB 平台上进行编程实现。 （3）、输出相应波形图，进行观察，记录。 1.2 MATLAB源代码实现 clear all; %清除工作空间所有之前的变量 close all; %关闭之前的所有的figure clc; %清除命令行之前所有的文字 n=1:1:128; %设定采样点n=1-128 f1=0.2; %设定f1频率的值0.2 f2=0.213; %设定f2频率的值0.213 A=1; %取定第一个正弦函数的振幅 B=1; %取定第一个正弦函数的振幅 a=0; %设定相位为0 x1=A*sin(2*pi*f1*n+a)+B*sin(2*pi*f2*n+a); %定义x1函数，不添加高斯白噪声x2=awgn(x1,3); %在x1基础上添加加性高斯白噪声，信噪比为3,定义x2函数temp=0; %定义临时值，并规定初始值为0 temp=fft(x2,128); %对x2做快速傅里叶变换 pw1=abs(temp).^2/128; %对temp做经典功率估计
功率谱估计浅谈 摘要：介绍了几种常用的经典功率谱估计与现代功率谱估计的方法原理，并利用Matlab对随机信号进行功率谱估计，对两种方法做出比较，分别给出其优缺点。关键词：功率谱；功率谱估计；经典功率谱估计；现代功率谱估计 前言 功率谱估计是从频率分析随机信号的一种方法,一般分成两大类:一类是经典谱估计;另一类是现代谱估计。由于经典谱估计中将数据工作区以外的未知数据假设为零，这相当于数据加窗，导致分辨率降低和谱估计不稳定。现代谱估计则不再简单地将观察区外的未知数据假设为零，而是先将信号的观测数据估计模型参数，按照求模型输出功率的方法估计信号功率谱，回避了数据观测区以外的数据假设问题。 周期图、自相关法及其改进方法(Welch)为经典(非参数)谱估计方法, 其以相关和傅里叶变换为基础,对于长数据记录较适用,但无法根本解决频率分辨率低和谱估计稳定性的问题,特别是在数据记录很短的情况下,这一问题尤其突出。以随机过程的参数模型为基础的现代参数法功率谱估计具有更高的频率分辨率和更好的适应性,可实现信号检测或信噪分离,对语音、声纳雷达、电磁波及地震波等信号处理具有重要意义,并广泛应用于通信、自动控制、地球物理等领域。在现代参数法功率谱估计方法中,比较有效且实用的是AR模型法，Burg谱估计法,现代谱估计避免了计算相关,对短数据具有更强的适应性,从而弥补了经典谱估计法的不足,但其也有一些自身的缺陷。 下面就给出这两类谱估计的简单原理介绍与方法实现。 经典谱估计法 经典法是基于传统的傅里叶变换。本文主要介绍一种方法：周期图法。 周期图法 由于对信号做功率谱估计，需要用计算机实现，如果是连续信号，则需要变换为离散信号。下面讨论离散随机信号序列的功率谱问题。 连续时间随机信号的功率谱密度与自相关函数是一对傅里叶变换对，即：
MATLAB中AR模型功率谱估计中AR阶次估计的实现 （最近看了几个关于功率谱的问题，有关AR模型的谱估计，在此分享一下，希望大家不吝指正） （声明：本文内容摘自我的毕业论文——心率变异信号的预处理及功率谱估计） （按：AR模型功率谱估计是对非平稳随机信号功率谱估计的常用方法，但是其模型阶次的估计，除了HOSA工具箱里的arorder函数外，没有现成的函数可用，arorder函数是基于矩阵SVD分解的阶次估计方法，为了比较各种阶次估计方法的区别，下面的函数使用了'FPE', 'AIC', 'MDL', 'CAT'集中准则一并估计，并采用试验方法确定那一个阶次更好。） ………………………………以上省略…………………………………………………………………… 假设原始数据序列为x，那么n阶参数使用最小二乘估计在MATLAB中实现如下： 复制内容到剪贴板 代码: Y = x; Y(1:n) = []; m = N-n; X = [];% 构造系数矩阵 for i = 1:m for j = 1:n X(i,j) = xt(n+i-j); end end beta = inv(X'*X)*X'*Y'; beta即为用最小二乘法估计出的模型参数。 此外，还有估计AR模型参数的Yule-Walker方程法、基于线性预测理论的Burg算法和修正的协方差算法等[26]。相应的参数估计方法在MATLAB中都有现成的函数，比如aryule、arburg以及arcov等。 4.3.3 AR模型阶次的选择及实验设计
文献[26]中介绍了五种不同的AR模型定阶准则，分别为矩阵奇异值分解（Singular Value Decomposition, SVD）定阶法、最小预测定误差阶准则 （Final Prediction Error Criterion, FPE）、AIC定阶准则（Akaika’s Information theoretic Criterion, AIC）、MDL定阶准则以及CAT定阶准则。文献[28]中还介绍了一种BIC定阶准则。SVD方法是对Yule-Walker方 程中的自相关矩阵进行SVD分解来实现的，在MATLAB工具箱中arorder函数就是使用的该算法。其他五种算法的基本思想都是建立目标函数，阶次估计的标准是使目标函数最小化。 以上定阶准则在MATLAB中也可以方便的实现，下面是本文实现FPE、AIC、MDL、CAT定阶准则的程序（部分）： 复制内容到剪贴板 代码: for m = 1:N-1 …… % 判断是否达到所选定阶准则的要求 if strcmp(criterion,'FPE') objectfun(m+1) = (N+(m+1))/(N-(m+1))*E(m+1); elseif strcmp(criterion,'AIC') objectfun(m+1) = N*log(E(m+1))+2*(m+1); elseif strcmp(criterion,'MDL') objectfun(m+1) = N*log(E(m+1))+(m+1)*log(N); elseif strcmp(criterion,'CAT') for index = 1:m+1 temp = temp+(N-index)/(N*E(index)); end objectfun(m+1) = 1/N*temp-(N-(m+1))/(N*E(m+1)); end if objectfun(m+1) >= objectfun(m) orderpredict = m; break; end end orderpredict变量即为使用相应准则预测的AR模型阶次。
第七章参数估计 一、单项选择题 1.区间X 2.58x S的含义是（）。 A. 99%的总体均数在此范围内 B. 样本均数的99%可信区间 C. 99%的样本均数在此范围内 D. 总体均数的99%可信区间 答案：D 2.以下关于参数估计的说法正确的是（）。 A. 区间估计优于点估计 B. 样本含量越大，参数估计准确的可能性越大 C. 样本含量越大，参数估计越精确 D. 对于一个参数只能有一个估计值 答案：B 3.假定抽样单位数为400，抽样平均数为300和30，相应的变异系数为50%和20%，试以0.9545的概率来确定估计精度为（）。 A.15和0.6 B.5%和2% C.95%和98% D.2.5%和1 答案：C 4.根据10%抽样调查资料，甲企业工人生产定额完成百分比方差为25，乙企业为49。乙企业工人数四倍于甲企业，工人总体生产定额平均完成率的区间（）。 A. 甲企业较大 B. 乙企业较大 C. 两企业一样 D. 无法预期两者的差别 答案：A 5.对某轻工企业抽样调查的资料，优质品比重40%，抽样误差为4%，用多大的概率才能确信全及总体的这个指标不小于32%（）。 A.0.6827 B.0.9545 C.0.9973 D.2.00 答案：B 6.根据抽样调查的资料，某城市人均日摄入热量2500千卡，抽样平均误差150千卡，该市人均摄入热量在2350千卡至2650千卡之间的置信度为（）。 A.0.9545 B. 0.6827 C.1 D. 0.90 答案：B 7.对进口的一批服装取25件作抽样检验,发现有一件不合格。概率为0.9545时计算服装不合格率的抽样误差为7.3%。要使抽样误差减少一半,必须抽（）件服装做检验。 A.50 B.100 C.625 D.25 答案：B 8.根据以往调查的资料，某城市职工平均每户拥有国库券和国债的方差为1600，为使极限抽样误差在概率保证程度为0.9545时不超过4元，应抽取（）户来进行调查。 A.I600 B.400 C.10 D.200 答案：B
数字信号处理II ——随机信号的功率谱估计方法
一、实验目的 1．利用自相关函数法和周期图法实现对随机信号的功率谱估计。 2．观察数据长度、自相关序列长度、信噪比、窗函数、平均次数等对谱估计的分辨率、稳 定性、主瓣宽度和旁瓣效应的影响。 3．学习使用FFT 提高谱估计的运算速度。 4．体会非参数化功率谱估计方法的优缺点。 二、实验原理与方法 假设信号()x n 为平稳随机过程，其自相关序列定义为: {}*()()()m E x n x n m φ+ (0.1) 其中{}E ?表示取数学期望，{}* ?表示取共轭。根据定义，()x n 的功率谱密度()P w 与自相关序列()m φ存在如下关系： ()()j m m P m e ωωφ+∞ -=-∞ = ∑ (0.2) 1 ()()2j m m P e d π ωπφωωπ - = ? (0.3) 然而，实际中我们很难得到准确的自相关序列()m φ，只能通过随机信号的一段样本序列来估计信号的自相关序列，进而得到信号的功率谱估计。目前常用的线性谱估计方法有两种：自相关函数法和周期图方法，本实验将对这两种方法分别予以讨论。 1．自相关函数法 假设已知随机信号()x n 的N 个观测样本，则其自相关序列可以用下式进行估计: ||1 *0 1 ?()()()||1||N m n m x n x n m m N N m φ --==+≤--∑ (0.4) 当仅使用长度为2M-1的自相关序列时，对其进行傅立叶变换即可得到功率谱估计如下:
11 ??()()M j m m M P m e ωωφ --=-+=∑ (0.5) 其中M 为加窗长度，Re ()c M W m 为矩形窗函数，定义如下: Re 1,||()0,||c M m M W m m M
随机信号谱估计方法的Matlab实现 摘要： 功率谱估计是随机信号分析中的一个重要内容。从介绍功率谱的估计原理入手分析经典谱估计和现代谱估计两类估计方法的原理、各自特点及在Matlab中的实现方法。经典功率谱估计的方差大、谱分辨率差，分辨率反比于有效信号的长度，但现代谱估计的分辨率不受此限制。给出了功率谱估计的应用。 关键词：功率谱估计；周期图法；AR参数法； 1 引言 在一般工程实际中，随机信号通常是无限长的，例如，传感器的温漂，不可能得到无限长时间的无限个观察结果来获得完全准确的温漂情况，即随机信号总体的情况，一般只能在有限的时间内得到有限个结果，即有限个样本，根据经验来近似地估计总体的分布。有时，甚至不需要知道随机信号总体地分布，而只需要知道其数字特征，如均值、方差、均方值、相关函数、功率谱的比较精确的情况即估计值。功率谱估计(PSD)是用有限长的数据估计信号的功率谱，它对于认识一个随机信号或其他应用方面都是重要的，是数字信号处理的重要研究内容之一。功率谱估计可以分为经典谱估计(非参数估计)和现代谱估计(参数估计)。 2 .平均周期图法和平滑平均周期图法 对于周期图的功率谱估计, 当数据长度N 太大时, 谱曲线起伏 加剧, 若N 太小, 谱的分辨率又不好,因此需要改进。两种改进的估
计法是平均周期图法和平滑平均周期图法。 (1)Bartlett 法: Bartlett 平均周期图的方法是将N 点的有限长序列x(n)分段求周期图再平均。 Matlab 代码示例1: fs=600; n=0:1/fs:1; xn=cos(2*pi*20*n)+3*cos(2*pi*90*n)+randn(size(n)); nfft=512; window=hamming(nfft); %矩形窗 noverlap=0;%数据无重叠 p=0.9;%置信概率 [Pxx,Pxxc]=psd(xn,nfft,fs,window,noverlap,p); index=0:round(nfft/2- 1); k=index*fs/nfft; plot_Pxx=10*log10(Pxx(index+1)); plot_Pxxc=10*log10(Pxxc(index+1)); figure(1) plot(k,plot_Pxx); figure(2) plot(k,[plot_Pxx plot_Pxx- plot_Pxxc
第七章、参数估计 一、选择题： 1．若12,,,n X X X 是取自总体X 的样本，且DX = 2 σ，又X 与2 S 分别是样本均值与样本方差，则必有 （ ） A ．2 S 是2 σ的矩法估计量 B ．2 S 是2σ的最大似然估计量 C ．2()()E S E X = D ．22()E S σ= 2．若总体X 在（0，θ）上服从均匀分布，θ>0，12,,,n X X X 是取自总体X 的样本，则θ的矩法估计量为 （ ） A ．X B ．2X C ．S D ．2S 3．若总体X 的分布律为 {},0,1,2 ! x e P X x x x λ λ-== = 而1，2，5，7，8是X 的样本观测值，则λ的最大似然估计值为 （ ） A ．4 B ．5 C ．23/5 D ．3 4．若总体2 ~(,)X N μσ ，已知σ2 =σ20 ，则未知参数μ的置信区间为 （ ） A. 22 001 122122()(),n n i i i i x x x x ααμμ==- ?? --? ? ??? ???? ? ∑∑ B. 22 2 2122(1)(1),n s n s x x α α -? ? --???????? C. 2 2,x x αασσ? ?- + ??? ? D. 22,s s x x αα??- +??? ? 5．若总体2 ~(,)X N μσ ，未知σ2，则未知参数μ的置信区间为 （ ） A. 22001 122122()() ,n n i i i i x x x x ααμμ==- ?? --?? ??? ???? ? ∑∑ B. 22 2 2122(1)(1),n s n s x x α α -? ? --????????
第七章 参数估计 参数估计是数理统计研究的主要问题之一. 假设总体X ~N （μ，σ2），μ，σ2是未知参数，X 1，X 2，…，X n 是来自X 的样本，样本值是x 1，x 2，…，x n ，我们要由样本值来确定μ和σ2的估计值，这就是参数估计问题，参数估计分为点估计（Point estimation ）和区间估计(Interval estimation). 第一节 点估计 所谓点估计是指把总体的未知参数估计为某个确定的值或在某个确定的点上，故点估计又称为定值估计. 定义7.1 设总体X 的分布函数为F （x ，θ），θ是未知参数，X 1，X 2，…，X n 是X 的一样本，样本值为x 1，x 2，…，x n ，构造一个统计量（X 1，X 2，…，X n ），用它的观察值 （x 1，x 2，…，x n ）作为θ的估计值，这种问题称为点估计问题.习惯上称随机变量（X 1，X 2，…，X n ）为θ的估计量,称（x 1，x 2，…，x n ）为的估计值. 构造估计量（X 1，X 2，…，X n ）的方法很多，下面仅介绍矩法和极大似然估计法. 1.矩法 矩法（Moment method of estimation ）是一种古老的估计方法.它是由英国统计学家皮尔逊（K .Pearson ）于1894年首创的.它虽然古老，但目前仍常用. 矩法估计的一般原则是：用样本矩作为总体矩的估计，若不够良好，再作适当调整. 矩法的一般作法：设总体X ~F （X ；θ1,θ2，…，θl ）其中θ1,θ2,…,θl 均未知. （1） 如果总体X 的k 阶矩μk =E (X k ) (1≤k ≤l)均存在，则 μk =μk (θ1,θ2,…,θl )，（1≤k ≤l ）. (2) 令?? ?????. ),,,(,),,,(, ),,,(212 2121211l l l l l A A A θθθμθθθμθθθμ 其中A k （1≤k ≤l ）为样本k 阶矩. 求出方程组的解,?,,?,?21l θθθ 我们称),,,(??21n k k X X X θθ=为参数θk (1≤k ≤l )的矩估计量, ),,,(??21n k k x x x θθ=为参数θk 的矩估计值. 例7.1 设总体X 的密度函数为： f （x ）=???-><<+., 0), 1(,10,)1(其他αααx x 其中α未知，样本为（X 1，X 2，…，X n ），求参数α的矩法估计. 解 A 1=X .由μ1=A 1及